用於快速校準的元學習

這是把校準本身變成系統已學會快速執行之事。元學習不在每個新的一天或新受試者上從零訓練解碼器，而是跨越許多過往場次進行訓練，以尋得一個初始化或一條適應規則，使人僅憑少數已標記範例便能抵達一個良好的解碼器。模型無關的元學習（MAML）及其變體明確地為快速適應而優化：其元目標不是在訓練場次上的準確度，而是模型在一個新場次上、經一步或少數幾步梯度更新後的表現。

對腦機介面的訴求很直接——若每個新的一天看起來只是抽自同一偏移家族的另一個任務，便可預先塑造解碼器，使數秒的資料即足以重新調校，從而壓縮重新校準負擔，而不必要求真正的零樣本泛化。它介於隨插即用解碼（目標為免校準）與完整重新校準（一段冗長的監督段落）之間：元學習接受少量校準，但使其快速而低成本。其前景取決於過往場次是否真正涵蓋未來偏移的家族，而對於一個緩慢劣化的慢性植入物而言，這一點未必成立。